仍在访问 numpy 掩码数组填充值

Question

我正在尝试将图像处理为掩码数组以处理 NoData 区域。我决定先对一维数组进行一些测试，结果发现有些奇怪。这是我的测试代码：

    a = np.array([0,1,4,3,4,-9999,33,34,-9999])
    am = np.ma.MaskedArray(a)
    am.mask = (am==-9999)

    z = np.arange(35)

    z[am]

我希望用屏蔽数组索引 z 数组会成功，但我看到以下错误：

    Runtime error 
    Traceback (most recent call last):
      File "<string>", line 1, in <module>
    IndexError: index -9999 is out of bounds for size 35

任何人都可以评论如何正确编码吗？我可以运行成功执行以下命令：

    z[a[a>0]]

这实际上是一回事。

谢谢！

Answer 1

试试这个代码

a = np.array([0,1,4,3,4,-9999,33,34,-9999])
am = np.ma.MaskedArray(a)
am.mask = (am==-9999)
np.ma.set_fill_value(am, 0)

z = np.arange(35)

print z[am.filled()]

访问am给出掩码数组，其中掩码值指的是原始值（它只是对原始数组的引用）。设置fill_value后调用am.filled()替换am.filled

返回的数组中带有 fill_value 的屏蔽元素

Answer 2

为了索引目的使用标记数组通常不是一个好主意，正是因为应该在屏蔽值处发生的行为是未定义的。

这样想：当我查看你的数组 a 和你的数组 z 时，我可以说 "Ok, a[0] = 0 so z[a[0]] makes sense." 等等，直到遇到 a[5] = -9999 当我可以说 "OK, that can't make sense as an index for z" 并且可以引发异常时。

这实际上是当您天真地使用 am 作为索引集时会发生的事情...它恢复为使用包含 all 的 am.data的原始值。相反，如果它尝试使用 [z[i] for i in am] 之类的东西，您会运行遇到遇到 numpy.ma.core.MaskedConstant 的问题，这不是索引的合理值 - 不适用于获取value 也不会忽略获取值的请求.

In [39]: l = [x for x in am]

In [40]: l
Out[40]: [0, 1, 4, 3, 4, masked, 33, 34, masked]

In [41]: type(l[-1])
Out[41]: numpy.ma.core.MaskedConstant

（事实上，如果您尝试索引其中一个人，您会得到 IndexError: arrays used as indices must be of integer (or boolean) type）。

但是现在如果我在 am.filled() 中遇到屏蔽值会怎样？ am.filled() 的第 5 个索引处的条目将不是 numpy.ma.core.MaskedConstant 的实例——它将是您选择的任何填充值。如果该填充值作为索引有意义，那么您实际上将通过在该索引处建立索引来获取一个值。以 0 为例。它看起来像是一个无伤大雅的中性填充值，但实际上它代表了一个有效的索引，因此您可以两次额外访问 z:

的第 0 个条目

In [42]: am.fill_value = 0

In [43]: z[am.filled()]
Out[43]: array([ 0,  1,  4,  3,  4,  0, 33, 34,  0])

这也不是面具应该做的事情！

一个半生不熟的方法是遍历 am 并排除 type 或 np.ma.core.MaskedConstant:

的任何内容

In [45]: z[np.array([x for x in am if type(x) is not np.ma.core.MaskedConstant])]
Out[45]: array([ 0,  1,  4,  3,  4, 33, 34])

但真正更清晰地表达所有这些是首先使用简单的逻辑索引：

In [47]: z[a[a != -9999]]
Out[47]: array([ 0,  1,  4,  3,  4, 33, 34])

请注意，这样的逻辑索引对二维数组也适用，只要您愿意接受，一旦更高维数组被逻辑索引，如果结果不再符合相同的常规二维形状, 那么它将以一维的形式呈现, 像这样:

In [58]: a2 = np.array([[10, -9999, 13], [-9999, 1, 8], [1, 8, 1]])

In [59]: a2
Out[59]: 
array([[   10, -9999,    13],
       [-9999,     1,     8],
       [    1,     8,     1]])

In [60]: z2 = np.random.rand(3,3)

In [61]: z2[np.where(a2 != -9999)]
Out[61]: 
array([ 0.4739082 ,  0.13629442,  0.46547732,  0.87674102,  0.08753297,
        0.57109764,  0.39722408])

如果你想要类似蒙版效果的东西，你可以设置等于 NaN 的值（对于 float 数组）：

In [66]: a2 = np.array([[10, -9999, 13], [-9999, 1, 8], [1, 8, 1]], dtype=np.float)

In [67]: a2
Out[67]: 
array([[  1.00000000e+01,  -9.99900000e+03,   1.30000000e+01],
       [ -9.99900000e+03,   1.00000000e+00,   8.00000000e+00],
       [  1.00000000e+00,   8.00000000e+00,   1.00000000e+00]])

In [68]: a2[np.where(a2 == -9999)] = np.NaN

In [69]: a2
Out[69]: 
array([[ 10.,  nan,  13.],
       [ nan,   1.,   8.],
       [  1.,   8.,   1.]])

这种使用 NaN 的掩蔽形式适用于 NumPy 中的大量矢量化数组计算，尽管担心首先将基于整数的图像数据转换为浮点数，然后再转换回来可能会很痛苦安全地结束了。

仍在访问 numpy 掩码数组填充值

numpy masked array fill value still being accessed

python

arrays

indexing

numpy